迁移学习的概念
迁移学习(Transfer Learning)是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。
找到目标问题的相似性,迁移学习任务就是从相似性出发,将旧领域(domain)学习过的模型应用在新领域上。
迁移学习的要点
-1. How to transfer: 如何进行迁移学习?(设计迁移方法)
-2. What to transfer: 给定一个目标领域,如何找到相对应的源领域,然后进行迁移?(源领域选择)
-3. When to transfer: 什么时候可以进行迁移,什么时候不可以?(避免负迁移)
参考来源: